論文の概要: Incorporating Coincidental Water Data into Non-intrusive Load Monitoring
- arxiv url: http://arxiv.org/abs/2101.07190v1
- Date: Mon, 18 Jan 2021 17:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 05:45:53.035871
- Title: Incorporating Coincidental Water Data into Non-intrusive Load Monitoring
- Title(参考訳): 非侵襲負荷モニタリングへのコインシデント水データの導入
- Authors: Mohammad-Mehdi Keramati, Elnaz Azizi, Hamidreza Momeni, Sadegh Bolouki
- Abstract要約: 独自の非オーバーラップ電力値を持つ家電の電力信号を抽出するイベントベースの分類プロセスを提案する。
ネットワーク内の新たなシグネチャとして,いくつかの機器の水消費を考慮した2つのディープラーニングモデルを用いて,重なり合う電力値を持つ家電を識別する。
提案プロセスでは, 電力の分散に加えて, 特定の電化製品の水消費プロファイルも抽出する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-intrusive load monitoring (NILM) as the process of extracting the usage
pattern of appliances from the aggregated power signal is among successful
approaches aiding residential energy management. In recent years, high volume
datasets on power profiles have become available, which has helped make
classification methods employed for the NILM purpose more effective and more
accurate. However, the presence of multi-mode appliances and appliances with
close power values have remained influential in worsening the computational
complexity and diminishing the accuracy of these algorithms. To tackle these
challenges, we propose an event-based classification process, in the first
phase of which the $K$-nearest neighbors method, as a fast classification
technique, is employed to extract power signals of appliances with exclusive
non-overlapping power values. Then, two deep learning models, which consider
the water consumption of some appliances as a novel signature in the network,
are utilized to distinguish between appliances with overlapping power values.
In addition to power disaggregation, the proposed process as well extracts the
water consumption profiles of specific appliances. To illustrate the proposed
process and validate its efficiency, seven appliances of the AMPds are
considered, with the numerical classification results showing marked
improvement with respect to the existing classification-based NILM techniques.
- Abstract(参考訳): 集積電力信号から家電の使用パターンを抽出するプロセスとしての非侵入負荷監視(NILM)は,住宅エネルギー管理を支援するアプローチとして成功している。
近年、パワープロファイルの大量データセットが利用可能になり、nilmの目的のために使われる分類手法をより効果的かつ正確にするために役立った。
しかし、近接電力値を持つ多モードアプライアンスやアプライアンスの存在は、計算の複雑さを悪化させ、これらのアルゴリズムの精度を低下させることに影響を与え続けている。
これらの課題に対処するため、我々はイベントベースの分類プロセスを提案し、その第1段階では、K$-nearest neighbors法を高速な分類手法として、排他的非重複パワー値を持つ家電の電力信号を抽出する。
そこで,ネットワーク上の新しいシグネチャとして,一部の家電の水消費を考慮に入れた2つのディープラーニングモデルを用いて,重なり合うパワー値のアプライアンスを識別する。
電力の分散化に加えて, 提案手法は, 特定の家電の水消費プロファイルも抽出する。
提案手法を概説し,その効率性を検証するため,既存の分類に基づくNILM技術に対して,数値分類結果が顕著に改善されたAMPdを7つのアプライアンスとして検討した。
関連論文リスト
- MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited
Labeled Data [4.460954839118025]
既存のアプローチは主に、各アプライアンス用の個別モデルの開発に重点を置いている。
本稿では,トレーニング効率のよいサンプル拡張方式を用いたマルチアプライアンス・タスク・フレームワークを提案する。
相対誤差は平均で50%以上削減できる。
論文 参考訳(メタデータ) (2023-07-27T11:14:11Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳(メタデータ) (2023-06-25T13:10:38Z) - Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater [68.8204255655161]
住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。
本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。
我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
論文 参考訳(メタデータ) (2022-03-22T10:39:19Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳(メタデータ) (2021-09-06T13:42:32Z) - Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。
近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。
我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
論文 参考訳(メタデータ) (2021-08-02T03:56:35Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳(メタデータ) (2021-04-09T01:38:34Z) - Energy Disaggregation using Variational Autoencoders [11.940343835617046]
非侵入負荷モニタリング(NILM)は、単一のセンサーを使用して建物の総電力消費量を測定する技術です。
最近の分散アルゴリズムは、NILMシステムの性能を大幅に改善した。
本稿では,変分オートエンコーダ(VAE)フレームワークに基づくエネルギー分散手法を提案する。
論文 参考訳(メタデータ) (2021-03-22T20:53:36Z) - Smart non-intrusive appliance identification using a novel local power
histogramming descriptor with an improved k-nearest neighbors classifier [2.389598109913753]
本稿では,新しいローカルパワーヒストグラム(LPH)記述子に基づく,スマートNILMシステムを提案する。
具体的には、個々の家電消費シグネチャを表すために、局所的に短いヒストグラムを描画する。
学習時間を短縮し,分類性能を向上させるため,改良k-nearest neighbors (IKNN)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-09T13:12:20Z) - Quantification of Disaggregation Difficulty with Respect to the Number
of Meters [0.0]
non-intrusive load monitoring (nilm) は効率的なエネルギー管理への有望なアプローチである。
イベントベースのNILMメソッドは、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
近い消費値を持つアプライアンスの存在は、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
論文 参考訳(メタデータ) (2021-01-18T17:50:48Z) - Efficient multi-descriptor fusion for non-intrusive appliance
recognition [2.389598109913753]
本稿では,各家電の消費フットプリントを特定できる家電認識手法を提案する。
電気機器は、異なる記述子の組み合わせによってよく認識されている。
TD特徴の融合に基づく強力な特徴抽出手法を提案する。
論文 参考訳(メタデータ) (2020-09-17T11:11:41Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳(メタデータ) (2020-07-21T07:02:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。